【技术实现步骤摘要】
一种基于金字塔辅助学习特征的人脸表情识别方法
[0001]本专利技术涉及计算机视觉、深度学习、生物特征识别领域,特别涉及一种基于金字塔辅助学习特征的人脸表情识别方法。
技术介绍
[0002]近年来,随着信息技术的飞速发展以及计算机的广泛应用,图像中的人脸表情识别引起了越来越多的关注,人脸表情作为人类交流过程中高效传达情感状态和意图的一种非语言手段,在科学研究上的价值也不容忽视。人脸表情识别就是设计一个模型能够自动准确地识别出一副人脸图像或者人脸视频序列中所包含的表情类别,表情分类主要分为:生气、厌恶、恐惧、高兴、悲伤和惊喜。一般地,人脸表情识别的实现可以分为传统机器学习和深度学习两大类。
[0003]传统机器学习方法主要是根据不同的使用场景,人工设计特定的提取算法,通常利用面部器官或标志性点之间的几何关系提取典型特征,所提取的特征很大程度决定最后的表情识别结果。时至今日,研究者们提出很多种编码五官纹理信息或面部浅层特征的表示形式,其中包括基于降维特征的主成分分析法,独立成分分析法,线性判别分析法等。传统的机器学习方法虽然在一定程度上获得较好的成绩,但是在部分条件下泛化能力较差。另一方面,以上方法需要耗费研究者大量的时间和精力,同时还需具备充足的理论知识和实际的科研经验,这些因素阻碍了传统的手工特征的快速发展。
[0004]深度学习通过构建更多层神经网络来实现的,让机器可以自主地从样本中提取信息,并可以快速处理更庞大的数据集。在一定程度上提升了表情识别的准确率,但针对的表情样本相对单一,分析的角度较为片 ...
【技术保护点】
【技术特征摘要】
1.一种基于金字塔辅助学习特征的人脸表情识别方法,其特征在于,构建人脸识别模型,获取待识别人脸图像进行预处理,将预处理后的待识别人脸图像输入训练好的人脸识别模型,人脸识别模型输出识别结果,其中,人脸识别模型包括基础网络分支、金字塔辅助学习分支和特征映射模块,基础网络分支由多个处理块组成,金字塔辅助学习分支由多个金字塔卷积块堆叠而成;人脸识别模型的训练过程包括:S1.获取样本人脸图像并进行预处理,得到预处理图像;S2.将预处理图像同时输入到基础网络分支和金字塔辅助学习分支;S3.金字塔辅助学习分支中每个金字塔卷积块输出的初级特征,通过特征映射模块单向传递给基础网络分支;S4.将基础网络分支和金字塔辅助学习分支的最终特征进行向量拼接,采用联合损失函数训练,直至收敛。2.根据权利要求1所述的一种基于金字塔辅助学习特征的人脸表情识别方法,其特征在于,对待识别人脸图像进行预处理的操作包括人脸检测、人脸对齐、图像归一化和像素归一化。3.根据权利要求1所述的一种基于金字塔辅助学习特征的人脸表情识别方法,其特征在于,基础网络分支采用由通道数递增的多个3
×
3卷积层、最大池化层、全连接层和输出层组成的VGG
‑
16网络,将VGG
‑
16网络划分为6个处理块,其中,第一处理块为1至2层,输入尺寸为224
×
224,第二处理块为3至4层,输入尺寸为112
×
112,第三处理块为5至7层,输入尺寸为56
×
56,第四处理块为8至10层,输入尺寸为28
×
28,第五处理块为11至13层,输入尺寸为14
×
14,第六处理块为14至16层,输入尺寸为7
×
7。4.根据权利要求1所述的一种基于金字塔辅助学习特征的人脸表情识别方法,其特征在于...
【专利技术属性】
技术研发人员:唐宏,向俊玲,郑万佳,杜萨普,陈思思,
申请(专利权)人:重庆邮电大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。